论文部分内容阅读
改革开放以来,中国适应经济全球化的潮流,同世界各国的经济、金融、技术合作不断扩大,积极吸收和利用国外资金用于国内经济建设,使中国在世界上的地位发生了质的飞跃,但对发展中国家来说,利用外债来发展本国经济,既是有效的又是有风险的,拉美债务危机和东南亚金融危机给我们敲响了警钟.这两次危机引起了全世界的关注和思考,并再一次向人们揭示了外债管理和外债风险控制不当的严重后果.所以说,外债对经济的积极作用只有在有效管理的前提下才可能得到发挥,如果管理不善,外债对经济将产生消极的影响,甚至会导致外债危机的发生,从而引发或加剧金融危机的爆发.因此,在没有发生过外债危机或金融危机的国家,特别是高外债额的发展中国家,加强外债管理,建立外债风险预警系统,提高外债风险的防范水平是十分必要的.该文对中国外债管理的现状及外债管理中存在的外债风险问题进行了探讨,分析外债危机及外债危机的特点,介绍了影响外债风险的指标因素和非指标因素,确立了外债风险指标体系建立的原则,并根据该原则建立了一个由14个指标组成的风险预警指标体系.介绍了统计学习理论和支持向量机方法,详细论述了支持向量机方法的结构及算法原理,并介绍了算法的实现和算法的发展状况.分析了外债风险预警与外债风险指标预测之间的关系,并讨论了支持向量机方法用于外债风险预警中的可行性,建立了基于支持向量机方法的外债风险指标预测模型.运用预测模型,对偿债率、负债率、债务率和汇率4项主要指标进行了预测,并与自回归移动平均模型和前馈BP神经网络模型三种方法得到的预测结果进行了对比研究.对三种方法的预测结果进行了统一的误差指标检验,结果表明支持向量机方法的预测效果是令人满意的,明显好于其他两种方法,前馈BP神经网络法次之.用支持向量机方法对外债风险指标进行预测研究可以说是尝试性研究,但取得了令人满意的效果,为外债风险预测及预警研究开辟新的路径.由于作者能力有限,一定存在着许多不足之处,这还有待于今后继续完善.